En 2006, un aneurisma explotó en la cabeza de mi suegro y lo golpeó. En la tarde de ese día, bromeaba y trataba de caminar por la sala del hospital. El segundo accidente cerebrovascular, que sucedió bajo la supervisión de los médicos, su cerebro no pudo soportarlo: su suegro dejó de hablar, caminar y reconocer a sus familiares. En otro hospital, lo pusieron de pie, pero debido a un error médico durante el tratamiento inicial, se quedó sin palabras para siempre y su personalidad cambió más allá del reconocimiento.
Lo que le sucedió se llama un accidente cerebrovascular nosocomial y este es uno de los marcadores (o desencadenantes) de problemas sistémicos en una organización médica. Deben analizarse para reducir la cantidad de errores médicos prevenibles en los hospitales y mejorar la calidad de la atención al paciente.
En los EE. UU., Estaban desconcertados por este problema a principios de la década de 2000. El Instituto de Massachusetts para el Mejoramiento de la Atención Médica (IHI) desarrolló la
Herramienta de activación global de IHI para medir eventos adversos , que luego fue implementada por las principales clínicas de EE. UU. Y Europa.
En 2016, nosotros (la oficina rusa de SAS) intentamos crear un sistema para analizar los desencadenantes médicos utilizando la metodología IHI en Rusia. Te diré lo que salió de eso.
Por donde empezaste
En primer lugar, comenzamos a buscar médicos con ideas afines que compartan la idea de analizar la calidad de la atención médica. Los jefes de varios hospitales de Moscú, colegas de nuestra oficina europea y representantes del hospital danés Lillebaelt fueron invitados al
SAS Forum Russia 2016 , que creó un sistema de detección de disparadores utilizando la metodología IHI en 2015 sobre la base de la plataforma analítica SAS.
La historia de los daneses interesó al médico jefe de un gran hospital multidisciplinario de Moscú, y acordamos realizar un experimento para analizar los registros médicos. Según los términos de la NDA, no podemos revelar los detalles del proyecto, por lo que seguiré llamando al hospital simplemente a la Clínica y a su jefe, el Médico Jefe.
En junio - julio de 2016, discutimos los contenidos y el alcance del proyecto con la gerencia de la clínica, en agosto redactamos los términos de referencia y comenzamos a trabajar en septiembre. La columna vertebral del equipo de SAS consistió en Alexander Zhukov (
al_undefined ) y Dmitry Kayatenko.
La técnica IHI contiene 51 desencadenantes. Junto con la administración de la clínica, seleccionamos lo siguiente para el proyecto:
- Leucocitos en sangre <3.000 x 10 ^ 6 / μl (excepto para pacientes sometidos a quimioterapia)
- Plaquetas sanguíneas <50,000 × 10 ^ 6 / μl (excepto para pacientes de quimioterapia)
- Accidente cerebrovascular nosocomial
- Infarto nosocomial
- Transferencias repetidas no planificadas a la unidad de cuidados intensivos (UCI) dentro de las 24 horas
- Reanimación dentro de las 24 horas posteriores a la cirugía.
- Medidas de reanimación en los departamentos de camas.
Como sucede a menudo en la analítica, la mayor parte del tiempo se tomó mediante la preparación de los datos iniciales y la asignación de información significativa en ellos.
Cómo se recuperaron los registros
Los datos del sistema de información médica (MIS) de la Clínica se colocaron en una base de datos Oracle con una estructura intrincada. No se pudieron encontrar las descripciones de los esquemas, por lo que tuve que restaurar la estructura de datos y las relaciones entre entidades al comparar la información de la base de datos con la información de la interfaz gráfica MIS.
Para el proyecto, necesitábamos los siguientes tipos de registros médicos:
- Datos del examen médico
- Tabla de diagnóstico
- Entradas del diario
- Protocolos de transacción y conceptos preoperatorios.
- Nombramientos e información de desempeño
- Etapa y descarga de epicrisis
- Epicrisis traducida
- Epicrisis póstuma
Estos datos (a excepción de la tabla de diagnósticos) se encuentran en XML en CLOB. No hubo una descripción de la estructura XML en la Clínica, por lo que sus contenidos tuvieron que establecerse empíricamente durante largas discusiones.
Había un desastre dentro de los documentos XML. Por ejemplo, el nodo "Condición general" podría contener información sobre las quejas de los pacientes, y el nodo "Quejas" en sí permaneció vacío. A menudo, los médicos escribieron todos los datos sobre el paciente (quejas, resultados de exámenes, recomendaciones para tratamiento adicional y prescripción de medicamentos, etc.) en un campo, por ejemplo, en el Comentario.
El desarrollo de XML en tablas planas fue realizado por el SAS XML Mapper estándar. Los documentos más complejos, con la información necesaria en diferentes niveles de anidamiento, se analizaron utilizando un analizador Python. Se lanzó desde SAS y se integró en un solo proceso ejecutable de la Guía empresarial de SAS:
Para no extraer los resultados de las pruebas de laboratorio del texto de la epicrisis (todavía es un placer, dado el hábito de algunos médicos de preparar documentos), tomamos los datos del sistema de información de laboratorio (LIS). También estaban envueltos en XML, pero de una forma simple: "análisis", "indicador", "valor".
Cómo se investigaron los datos
Cuando trajimos los registros médicos en una forma comprensible y adecuada para el procesamiento, resultó que solo se formalizaron 2 de los 7 desencadenantes: el contenido de "glóbulos blancos" y "plaquetas". Se expresaron en números que podrían compararse con un valor umbral.
Tuvimos que abandonar el análisis de un desencadenante como "transferencias repetidas no planificadas a la UCI en 24 horas". Este marcador se basa en sellos de fecha y hora, y se ingresaron en el IIA de la Clínica ya que a Dios le gustaría que fuera perfecto: podrían perder un par de días o incluso establecer una fecha del futuro.
Los accidentes cerebrovasculares nosocomiales, los ataques cardíacos y las medidas de reanimación no se codificaron de ninguna manera y no se registraron en la tabla en relación con la identificación del paciente. Deberían haberse buscado en epicrisis y entradas de diario. Por lo tanto, los 4 desencadenantes restantes fueron informales, es decir, exigieron el análisis del texto no estructurado.
Para hacer esto, utilizamos la herramienta de procesamiento de lenguaje natural:
SAS Contextual Analysis . Esta es una solución basada en la web con una interfaz visual que le permite crear modelos de procesamiento de texto incluso en ausencia de habilidades de programación y conocimiento en lingüística (sin embargo, aún no puede prescindir del conocimiento del área temática y el idioma en el que se escribe el texto).
Ahora se ha puesto de moda resolver estos problemas con la ayuda de redes neuronales. Pero los abandonamos conscientemente y aplicamos el mecanismo de las reglas lingüísticas porque:
- Un buen resultado en las redes neuronales solo es posible en una muestra de alta calidad, premarcada por médicos, de decenas de miles de registros, pero no la obtuvimos de la palabra en absoluto
- la red neuronal no da una explicación clara de su decisión (no se puede interpretar) y los médicos no pueden trabajar con la caja negra: deben comprender exactamente qué síntomas, indicadores o acciones indican eventos adversos
Cómo entrenar el sistema
Aunque tratamos todos los desencadenantes de la lista, los esfuerzos principales se centraron en la detección de accidentes cerebrovasculares y ataques cardíacos nosocomiales (llamaremos a las infecciones nosocomiales por brevedad). Estos son algunos de los desencadenantes más peligrosos que, además de dañar la salud de los pacientes, son terribles porque el personal médico no los anuncia. Y si la gerencia no conoce el problema, no puede resolverlo.
No todo fue fácil con el NSI. No había una norma o regulación que obligara a documentar los hechos de derrames cerebrales o ataques cardíacos de forma uniforme: algunos médicos describieron el derrame cerebral como una "violación aguda de la circulación cerebral", otros como (¡oh, sí!) "Derrame cerebral", y otros como "ONMK" ". A veces, las infecciones nosocomiales eran visibles solo con el tratamiento prescrito.
Básicamente, podríamos:
- Entreviste a todos los médicos sobre cómo describen los derrames cerebrales y los ataques cardíacos. Sin embargo, existía el riesgo de perder algo: nadie tiene en cuenta la lista de registros realizados una vez y el directorio de abreviaturas. Y había pocas personas que desearan hablar sobre este tema.
- Junto con los médicos, revise toda la epicrisis y analice si tienen signos de infecciones nosocomiales o no. Pero ni nosotros ni ellos tuvimos tanto tiempo.
Actuamos de manera diferente: subimos una colección de textos en Análisis Contextual y creamos modelos temáticos que resaltaron ideas clave para cada entrada. Sin arrastrarse al texto del documento (por ejemplo, una epicrisis), fue posible seleccionar solo registros con el tema "trazo" o "NMC" y examinarlos por separado para ver cómo se describe VBI en el texto: qué palabras se usan, a qué distancia entre sí encontrado, etc. Además, los modelos mismos sugirieron posibles formulaciones para describir ideas clave.
Después del marcado temático de los documentos, hablamos con los médicos, aclaramos y desarrollamos reglas lingüísticas para identificar eventos que indican desencadenantes. Las reglas tomaron en cuenta las formas gramaticales de las palabras, la distancia entre ellas, el orden de su secuencia, posición (en una oración, párrafo, principio / final del texto), etc.
Entonces estábamos buscando medidas de reanimación:
Y así, trazos:
Al analizar el texto, siempre debe evaluar la distancia entre las palabras clave y su orden, para no capturar demasiado. Aquí hay un ejemplo cuando todas las palabras necesarias ("aguda", "violación", "cerebro", "circulación sanguínea") están en la frase, pero el accidente cerebrovascular nosocomial no lo es:
Era muy importante separar la descripción del hecho de un accidente cerebrovascular nosocomial de la descripción de las consecuencias de un accidente cerebrovascular anterior, en el que se usaban las mismas palabras clave:
La regla excluida "Las consecuencias de un derrame cerebral" (arriba en Remove_item):
Junto con los médicos, desarrollamos unas 30 reglas lingüísticas que determinaron si había signos de desencadenantes en la epicrisis. Se descargaron del Análisis contextual en forma de código de puntuación, que se conectó al proceso ejecutable para evaluar registros en la Guía empresarial de SAS.
Sin embargo, para los accidentes cerebrovasculares y los ataques cardíacos nosocomiales, el proceso de toma de decisiones sobre la presencia de un desencadenante no terminó allí. Deberíamos haber eliminado de la lista de candidatos para el desencadenante aquellos casos que podrían haberse predicho al ingreso del paciente. Para hacer esto, comparamos los resultados de elaborar las reglas con una tabla de diagnósticos.
Permítame recordarle que un desencadenante es un evento (que empeora la condición del paciente),
inesperado en términos de diagnóstico al ingreso. Esta es una señal de un error médico o un problema hospitalario que requiere medidas sistemáticas para excluir complicaciones en el futuro, y no cualquier deterioro en la salud del paciente.
Digamos que el Análisis contextual ha asignado la etiqueta "infarto nosocomial" a algún registro. Verificamos el diagnóstico: si el paciente ingresó con enfermedad coronaria, entonces el riesgo de infarto de miocardio ya era alto. Este evento, aunque no favorable, pero, por desgracia, esperado. El atributo de activación de registro no está asignado.
Si el paciente ingresó con apendicitis y sufrió un derrame cerebral durante el tratamiento, esto podría ser un error médico. Por ejemplo, no siguieron la presión o provocaron un salto con algunas drogas o acciones. Los registros asignan el atributo "disparador".
El resultado es un proceso de negocio:
Era conveniente para los médicos: podían complementar de forma independiente las reglas lingüísticas para el análisis de la epicrisis, que luego se cargaban en el código de puntuación y el sistema analítico las recogía.
Cómo se visualizaron los datos
En la última etapa, configuramos el informe en SAS Visual Analytics; este es nuestro producto basado en la web para tareas de visualización y BI. Se actualizó cada 5 minutos y mostró las estadísticas de la aparición de desencadenantes en el contexto de departamentos, médicos y pacientes. El médico responsable (por ejemplo, el jefe del departamento de cardiología) entró en el informe y observó qué desencadenantes se detectaron en la última hora, día, semana. Podría "fallar" en el departamento, ver la dinámica del disparador para el período, etc.
Para no cargar el artículo con capturas de pantalla (aún más "manchadas"), grabamos una pequeña demostración de datos despersonalizados:
También queríamos configurar una notificación automática de disparadores: este es un buen tono para los sistemas analíticos que monitorean indicadores críticos. Además, la funcionalidad de la lista de correo está integrada en SAS Visual Analytics. Pero la Clínica no quería dar acceso al servidor de correo, al igual que se negó a organizar el envío de mensajes SMS mediante el emparejamiento con servicios externos.
Cómo terminó todo
La gerencia del hospital realizó un experimento que comparó los resultados de la detección manual de desencadenantes de eventos adversos por un equipo de expertos médicos y un análisis automático realizado por el sistema SAS. El resultado no fue a favor de las personas: el sistema SAS detectó más que la junta médica. Para algunos desencadenantes, varias veces más:
Pero la mayor precisión no es lo principal que le dio el sistema de detección de disparadores. Lo más importante, ella permitió:
- Asegure el monitoreo continuo de todos los registros médicos. No por casualidad seleccionada o los casos más atroces, sino poco a poco. No solo una vez por trimestre, sino en un modo cercano al tiempo real.
- Tiempo libre para que personal altamente calificado participe en actividades centrales. Solo dentro del marco del experimento podría el personal médico quedar perplejo por una auditoría manual a gran escala. En el modo normal, no hay tiempo para hacer esto: si los médicos están ocupados con las notas, no habrá nadie para tratar a las personas.
Importante para el éxito del proyecto fue el apoyo total de la administración: el médico jefe, sus ayudantes y los jefes de departamento. El jefe de la Clínica fue educado en los EE. UU., Por lo que la idea de una gestión basada en la gestión de calidad y el análisis automatizado de datos le resultó cercana y clara.
Por desgracia, poco antes de la implementación a gran escala del sistema analítico, el médico jefe renunció. Su sucesor fue francamente conservador y no le gustaba hacer ropa sucia en público. La clínica descartó los resultados del prometedor proyecto "a la mesa" y volvió a los métodos de trabajo probados por años de práctica.
Aunque no es agradable hacer un producto no reclamado, la experiencia del experimento en la Clínica nos fue muy útil en el próximo proyecto sobre la auditoría de registros médicos en el sistema de seguro médico obligatorio. Pero más sobre eso en otro momento.